城市照明监控管理系统的优化设计与实现

LMAS是城市照明监控管理系统的简称。在研究国内城市LMAS应用现状基础上，结合城市照明网总线星形结构的网络结构特点及目前通信技术的发展，提出了城市照明网智能管理的新模式及其优化方案，以智能管理和节能控制为目的，结合工程实践，对城市LMAS系统的工作原理和结构进行了分析论述，并进行了系统功能、体系结构及软件的优化设计。     

改进PSO算法解决电力系统机组优化组合问题

机组组合优化问题是一个大规模、离散、非线性的混合整数规划问题,所以求解比较困难,不容易找到理论上的最优解。本文在基本粒子群算法（PSO）的基础上,使用一种空间收缩策略,加快了算法的收敛速度。同时,为了避免算法出现“早熟”现象,让粒子不仅根据自身和同伴中的最好个体进行调整自己的飞行速度,并且向其他个体学习,以及通过改进的粒子群算法（MPSO）进行仿真计算,证明了该算法的有效性。     

面向波阻抗的长距离输电研究

介绍利用长距离输电线的均匀分布参数而形成的波阻抗,它的大小与线路长度无关的特性,可将大容量的电力送往远区的受端系统。还对有关波阻抗的选择、系统结线和稳定性等技术问题进行了讨论。     

实时监控系统中的多维数据库技术

大型实时监控系统ＲＭＣＳ是电力、通信、石油、水利等现代化工业管理的一个重要技术手段，正处于发展阶段。本文提出了在ＲＭＣＳ中结合使用通用数据库管理系统的多维数据库技术和方法，以解决监控数据种类多、娄量大的作为历史数据的有效管理和使用问题，在多种实际系统中应用取得了好的效果。     

自并励励磁变压器过电压分析及仿真研究

针对自并励励磁变压器的换相运行工况,分析自并励励磁变压器承受的换相过电压以及产生过电压的机理,研究自并励励磁变压器在运行中承受过电压的能力。通过电磁场有限元方法对自并励励磁变压器在过电压作用下的电场进行仿真计算,获得自并励励磁变压器在整流桥处于深控状态时的电场分布,为自并励励磁变压器的容量选择和绝缘设计提供理论依据。     

基于GOA-SVM的短期负荷预测

支持向量机是借助于凸优化技术的统计学习方法,与传统神经网络相比,泛化错误率低并且结果易于解释。将支持向量机用于负荷预测时,参数选择不准确会导致预测性能较差。提出一种基于蚱蜢优化算法的支持向量机短期负荷预测方法,以某地区负荷、天气等历史数据对SVM进行训练,并通过GOA优化选取支持向量机参数,然后以得到的最优参数建立GOA-SVM负荷预测模型。算例分析表明,GOA-SVM预测模型比GA-SVM和PSO-SVM模型有更好的收敛性能,且预测精度更高。     

基于改进天牛须搜索算法的分布式电源选址定容

针对分布式电源接入配电网的选址定容问题,在考虑到网损、静态电压稳定和线路热稳定3个指标的基础上,采用层次分析法建立了分布式电源在配电网中选址定容的多目标优化模型。对一种新的智能优化算法-天牛须搜索算法(Beetle Antennae Search-BAS)进行改进,提高了算法的稳定性,并应用于分布式电源选址定容问题求解。通过与粒子群算法在IEEE-33标准节点算例的仿真对比实验,验证了改进天牛须搜索算法(Improved Antennae Search-IBAS)在分布式电源选址定容问题求解中的高效性和稳定性。     

电力空间信息平台建设的研究

电力空间信息平台是集数字化地理信息、电网结构信息、电力设备图形与台帐、运行决策信息等于一体的综合信息系统,为科学采集、管理、分析电力企业规划设计和运行管理过程中产生的海量信息,提供了有效的支持手段.研究提出了一种分层式空间信息平台的体系结构,并对其原始数据层、数据管理层、数据分析层、数据访问层、数据应用层的结构与作用进...     

基于混合神经网络深度学习的短期负荷预测

针对能源互联网环境下用电用户数据量大、多维度这一特点,提出了一种混合神经网络深度学习的短期电力负荷预测方法。首先,考虑常见的电力系统负荷的影响因素,建立多维数据库,并进行偏相关分析,排除其他变量干扰;其次,将LSTM、GRU两种神经网络作为前端神经网络对多维数据库中数据进行处理;最后,采用随机概率剔除与Adam训练优化函数改进的BP神经网络作为末端神经网络,建立负荷预测模型。通过算例仿真对本文方法与传统BP神经网络、LSTM神经网络、GRU神经网络进行了对比,验证了所提方法的有效性。     

故障信息不足时配电网故障定位的方法

利用电流的连续性提出了故障定位的新判据，即以故障电流是否连续为故障定位的判据，故障电流非连续的区域就是故障区域，并用故障判定矩阵进行故障定位。该方法有效地解决了由于FTU(现场终端设备)故障、FTU数量不足等原因所导致的故障信息不足的问题，完全可以满足在线应用的需要。